阿拉斯加大闸蟹的博客

原因是股票社区的文章，经常出现一些水军，整天讨论些风牛马不相及的内容，然后大肆的破坏社区氛围，基于此要对一个文章进行主题的抽取，有了上一篇的相似贴的分词经验，下一步应该会顺利些https://www.zhihu.com/question/21104071作者：刘知远链接：https://www.zhihu.com/question/21104071/answer/24556905来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。我博士阶段的研究课题就是关..

首先介绍simHashsimhash算法分为5个步骤：分词、hash、加权、合并、降维直接给例子，理解的更加生动些吧：https://blog.csdn.net/chinawangfei/article/details/82385842 1：分词。首先，判断文本分词，形成这个文章的特征单词。然后，形成去掉噪音词的单词序列。最后，为每个分词加上权重。我们假设权重分为5个级别（1~5），比如：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51